整数规划非线性规划目标规划课件.pptVIP

* * * * * 局部和全局最大点(Local and global maximums)可以被类似定义 统称为局部和全局最优(local and global optima) 在线性规划中，任何局部最优都是全局最优 至少有一个最优点在可行域顶点处取得 在非线性规划中，局部最优不一定是全局最优 一个局部最优可能在可行域的任何地方取得 因此，非线性规划的求解比线性规划复杂的多 * 凸函数（Convex Function） 函数 f(x) 是凸函数当且仅当对任何可行域内的x1，x2和任何0 α 1， f(αx1+(1-α)x2) ≤ αf(x1)+(1-α)f(x2)均成立 一维图例 x f(x) x1 x2 ax1+(1-a)x2 f(αx1+(1-α)x2) αf(x1)+(1-α)f(x2) * 凸集（Convex Set） 集合 S 是凸集当且仅当对任何S种元素x1 和 x2, αx1+(1-α)x2 must也是属于S 对任意 0a1. 一维例子: [1,100]: convex set, [1,100]U[200,300]: non-convex set 二维例子 x=(x1,x2) x1 x2 x1 x2 Convex sets Non-convex set * 凸规划 如果一个非线性规划可行域是一个凸集，且最小化的目标函数是一个凸函数，此时的规划叫做凸规划。 凸规划局部最优也是全局最优。 为什么需要凸集可行域条件？Why convex feasible region is needed? Feasible region is not convex Local minima x F(x) * 最大化凹函数（Maximizing a Concave Function) 最大化问题情况如何？ 什么是凹函数？ 函数 f(x) 为凹函数 当且仅当 ?f(x) 为凸函数 定义在凸可行域上的非线性规划，如果最大化的目标函数是凹函数，则其局部最优为全局最优。 注意: 有凹函数但是没有凹集 x f(x) x1 x2 ax1+(1-a)x2 f(αx1+(1-α)x2) αf(x1)+(1-α)f(x2) * 理论中很多遇到的问题是凸规划 自然，问下面两个问题： 如何判定是凸规划？ 凸规划如何得到最优解？ * 凸函数的判定 一维情形 f(x) 凸，如果 f ’’(x)≥0.（当f二阶可微） 例如： f(x)=2x2+3x+1: f ‘(x)=4x+3, and f ‘‘(x)=4 0 g(x)=x3+3x+1: g‘(x)=3x2+3, and g‘‘(x)=6x, g(x) is not convex for -∞x+∞ g(x) is convex for x0 f(x) 凹,如果 f ’’(x)≤0. f(x)=-2x2+3x+1: f ‘(x)=-4x+3, and f ‘‘(x)=-4 0 * 多维情形 f(x) 凸，如果其 Hessian matrix H(x)为半正定( positive semi-definite) 对所有x成立. Hessian matrix H(x) 是 由f(x)2阶偏导数为元素组成的 nxn 矩阵 H半正定指 xTHx≥0 对所有 x成立. H半正定的另一种判定是所有顺序主子式的行列式均大于等于0 Example: f(x)=3x1x2+x12+3x22 * 寻找最优 一阶（必要）条件 x* 被称为平稳点(stationary point)， 如果 f ‘(x*)=0. 平稳点可能是局部最优，可能是全局最优，也可能什么也不是,而被称为鞍点 (called saddle point)。 必要条件：可行域为凸集的NLP局部最优，最优要么在平稳点要么在凸集顶点上取到。 二阶（充要）条件 对于凸规划，可行域内的平稳点是局部最优，也是全局最优 因此判定是凸规划后，只需1阶求导等于0即可 * 多目标规划 * 引例：生产问题 　　某工厂生产两种产品，产品A每单位利润为10元，而产品B每单位利润为8元，产品A每单位需3小时装配时间，而B为2小时，每周正常上班的总装配时间为120小时。工厂允许加班，但加班生产出来的产品利润需减去1元，根据合同，厂商每周最少得向用户提供两种产品各30单位。目标：1）必须遵守合同；2）尽可能少加班；3）希望利润最大。怎样安排生产？ 约束条件为： 加班少 利润大 每周正常时间生产得A产品数量－－ 每周加班时间生产得A产品数量－－ 每周正常时间生产得B产品数量－－ 每周加班时间生产得B产品数量－－ * 多目标规划的模型 一般形式： 求目标函数的最大值或约束条件为大于等于零的情况，都可通过取其相反数化为上述一般形式。 函数　　　　满足 * 绝对最优解＝